吉林大学机器学习课程作业

这是吉林大学软件工程专业大三上学期机器学习课程的作业，包含两个日常作业和一个期末大作业。

项目结构

├── finalwork/       # 期末大作业：基于支持向量机的手写数字识别
├── ml1/             # 日常作业1：房价预测模型
└── ml2/             # 日常作业2：垃圾邮件分类

项目说明

1. finalwork：基于支持向量机的手写数字识别

项目描述：使用支持向量机（SVM）算法对手写数字进行识别，使用MNIST数据集。

文件说明：

• svm_mnist.py：主程序，实现SVM模型的训练和测试
• mnist_svm_results.png：实验结果可视化
• 基于支持向量机的手写数字识别.md：实验报告
• results/：存放实验结果的目录

2. ml1：房价预测模型

项目描述：使用线性回归、岭回归和LASSO回归算法对波士顿房价数据集进行预测，并比较不同算法的性能。

文件说明：

• housing_regression.py：主程序，实现三种回归算法的训练和测试
• boston.csv：波士顿房价数据集
• boston.txt：数据集说明
• BGD_vs_SGD_学习曲线.png：批量梯度下降与随机梯度下降的学习曲线对比
• BGD_vs_SGD_预测结果.png：批量梯度下降与随机梯度下降的预测结果对比
• 原始数据_vs_归一化数据的学习曲线.png：原始数据与归一化数据的学习曲线对比
• 原始数据_vs_归一化数据的预测结果.png：原始数据与归一化数据的预测结果对比
• 线性回归_vs_岭回归_vs_LASSO回归_系数对比.png：三种回归算法的系数对比
• 线性回归_vs_岭回归_vs_LASSO回归_预测结果.png：三种回归算法的预测结果对比
• 房价预测模型分析报告.md：实验报告

3. ml2：垃圾邮件分类

项目描述：使用机器学习算法（包括逻辑回归和深度学习方法）对垃圾邮件进行分类。

文件说明：

• logistic_regression_spam_classification.py：逻辑回归实现的垃圾邮件分类
• spam_classification_ML.py：多种机器学习算法实现的垃圾邮件分类
• download_nltk_data.py：下载NLTK数据的脚本
• requirements.txt：项目依赖
• data/：存放数据集的目录
• DL/：深度学习方法实现的目录
• confusion_matrix_逻辑回归.png：逻辑回归的混淆矩阵
• roc_curve_逻辑回归.png：逻辑回归的ROC曲线
• 实验报告.docx：实验报告
• 实验报告模板.md：实验报告模板
• 作业要求与原始网址.TXT：作业要求和原始参考网址

环境要求

• Python 3.7+
• 主要依赖库：
  • numpy
  • pandas
  • matplotlib
  • scikit-learn
  • nltk
  • tensorflow/keras（用于深度学习部分）

运行说明

安装依赖

pip install -r ml2/Spam_Email_Classificaton-master/requirements.txt

运行项目

1. 房价预测模型：

   cd ml1/ml1
   python housing_regression.py

2. 垃圾邮件分类：

   cd ml2/Spam_Email_Classificaton-master
   python logistic_regression_spam_classification.py
   # 或
   python spam_classification_ML.py

3. 手写数字识别：

   cd finalwork
   python svm_mnist.py